CN112014700A - 基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** - Google Patents
基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** Download PDFInfo
- Publication number
- CN112014700A CN112014700A CN202010885616.7A CN202010885616A CN112014700A CN 112014700 A CN112014700 A CN 112014700A CN 202010885616 A CN202010885616 A CN 202010885616A CN 112014700 A CN112014700 A CN 112014700A
- Authority
- CN
- China
- Prior art keywords
- information
- network
- calculating
- insulator
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
公开了一种基于局部放电多信息融合的GIS绝缘子缺陷的识别方法,通过检测GIS绝缘子缺陷下局部放电的特高频和超声波等信号,提取多种信息的有效特征,然后融合各信息特征识别缺陷的类型,本发明综合了局部放电的多种信息,可靠性和识别率高。
Description
技术领域
本发明属于GIS绝缘子缺陷的识别技术,具体来说,涉及基于局部放电多信息融合的GIS绝缘子缺陷识别方法及***。
背景技术
目前气体绝缘组合电器(GIS)凭借结构紧凑、占地面积小、绝缘性能优良、不受外部环境的影响、安装周期短、维修方便等优点,在电力***中得到了广泛应用,GIS虽然可靠性较高,但是随着运行年限的增加,其内部故障也时有发生,其中绝缘子故障就占了较大比重。绝缘子在GIS中起到支撑高压导体和隔离气室的作用,是GIS中比较重要的固体绝缘介质,但在GIS的生产、运输和运行中,常难以避免地在环氧树脂绝缘介质内部或表面留下缺陷,如内部气泡、表面划痕或金属颗粒等。这些微小的缺陷一般难以察觉,却容易导致局部电场的畸变,引发局部放电。局部放电会加速材料的老化,如果不及时发现任其发展,最终可能导致绝缘子闪络甚至击穿,使绝缘子丧失绝缘性能。因此,绝缘子也成为GIS绝缘中的一个薄弱部分。
GIS绝缘子不同的缺陷类型对GIS绝缘的危害也不一样,识别GIS绝缘子缺陷的类型也成为一个重要环节。GIS绝缘缺陷的识别主要依靠对局部放电的检测,通过分析局部放电信息、提取相应的特征,最后通过合适的分类器达到缺陷识别的目的。但是目前的识别方法中主要依赖单一的局部放电信息,而由于局部放电测量环节干扰因素较多(如传感器本身的特性、测量装置的误差,测量环境的干扰等),获取的单一局部放电特征和实际的绝缘子缺陷类型关联性较差,依靠单一局部放电特征的识别方法可靠性和识别率均有欠缺。实际上,绝缘子的局部放电检测和测量方式多样,可以获取多种信息,提取这些信息的关键特征进行融合识别,可以尽可能地排除干扰,提高识别的可靠性和准确率。
发明内容
本发明提供一种基于局部放电多信息融合的GIS绝缘子缺陷识别方法及***。该方法通过检测GIS绝缘子缺陷下局部放电的特高频和超声波等信号,基于PRPD、TRPD等分析模式提取相应的有效特征,然后融合这些特征进行绝缘子缺陷的识别。这种方法高效快捷,同时提高了识别的可靠性和准确性。
本发明的至少一个实施例提供一种基于局部放电多信息融合的GIS绝缘子缺陷的识别方法,包括:
根据绝缘子局部放电的特高频波形信号计算特高频的时域波形特征,根据绝缘子局部放电的超声波波形信号计算超声波的功率谱特征,根据绝缘子局部放电的特高频信号的幅值和相位构建放电信号的相位图谱,计算相位图谱的正负半周放电相位中心正负半周偏斜度SK +/-、陡峭度Ku +/-、正负半周互相关系数Cc和放电量因数Q,及灰度图像的0阶矩、2阶中心矩和3阶中心矩,进而得到构成绝缘子缺陷的4种信息特征;
计算上述提取的4种信息各特征的信息增益,去除信息增益低于阈值的特征,剩下的作为各信息的有效特征;
基于栈式降噪自编码将各信息的有效特征压缩到一维,重新计算压缩后一维向量的信息增益,以压缩后的一维特征作为一个坐标,坐标权重取信息增益值,所有信息压缩后的一维特征共同构建一个新的6维空间;
以构建的6维空间为待分类样本,基于拉普拉斯中心性的密度聚类算法,将样本一一聚类,根据样本中心的缺陷类型确定其他所有样本的缺陷类型。
本发明的至少一个实施例提供一种基于局部放电多信息融合的GIS绝缘子缺陷的识别***,包括:
数据采集***,用于采集绝缘子局部放电的特高频和超声波时域波形信号,以及特高频信号的相位、幅值信息;
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行项所述方法的全部或部分步骤。
本发明的至少一个实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现项所述方法的全部或部分步骤。
本发明为国家电网重点研发计划的项目“特高压电气设备用纳米复合绝缘材料与应用关键技术”(项目编号:2017YFB0903805)的研究成果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明一实施例提供的绝缘子缺陷识别方法流程图。
图2为本发明一实施例提供的绝缘子典型缺陷的局部放电实验平台示意图。
图3为特高频时域波形示例。
图4为超声波时域波形示例。
图5为特高频相位图谱示例。
图6为实验样本的决策图。
具体实施方式
图1展示了一种基于局部放电多信息融合的GIS绝缘子缺陷的识别方法,该方法通过检测GIS绝缘子缺陷下局部放电的特高频和超声波等信号,提取多种信息的有效特征,然后融合各信息特征识别缺陷的类型。本发明方法综合应用了局部放电的特征提取、信息增益、栈式降噪自编码网络(SDAE)和基于拉普拉斯中心性的密度聚类(LDDC),可以获取多种信息,提取这些信息的关键特征进行融合识别,可以尽可能地排除干扰,提高识别的可靠性和准确率。下文将对绝缘子缺陷识别方法进行简要介绍。
步骤1:采集绝缘子三种典型缺陷下(包括绝缘子长表面金属颗粒、绝缘子气隙、绝缘子附近金属突出物)局部放电的特高频、超声波信号,包括特高频和超声波时域波形信号,以及特高频信号的相位、幅值信息。
步骤2:根据采集的特高频波形信号,计算特高频的时域波形特征,时域波形特征包括波形的上升时间tr、下降时间tf、峰值时间tp脉冲宽度td、持续时间tc;根据采集的超声波波形信号,计算超声波的功率谱特征,功率谱特征包括最大峰值Upsdm、峰值频率Ufm、峰个数Upn、功率谱均值Upsdμ、方差Upsdσ、中值频率Upsdzh和平均频率Ufμ;根据采集的特高频信号的相位和幅值信息构建放电信号的相位图谱,计算相位图谱的正负半周放电相位中心正负半周偏斜度SK +/-、陡峭度Ku +/-、正负半周互相关系数Cc和放电量因数Q等特征,及灰度图像的0阶矩、2阶中心矩和3阶中心矩等特征。
步骤3:计算上述提取的所有特征的信息增益,去除信息增益低于阈值(可为0.5)的特征,剩下的作为各信息的有效特征。
步骤4:基于栈式降噪自编码器将各信息的有效特征压缩到一维,重新计算压缩后一维向量的信息增益,以压缩后的一维特征作为一个坐标,坐标权重取信息增益值,所有信息的压缩后的一维特征共同构建一个新的4维空间。
步骤5:以步骤4中构建的新空间为待分类样本,基于拉普拉斯中心性的密度聚类算法,将样本一一聚类,根据样本中心的缺陷类型确定其他所有样本的缺陷类型。
图2为本发明一实施例提供的绝缘子典型缺陷的局部放电实验平台示意图。如图2所示,T1为常用调压器,可调电压范围0~450V;T2为工频试验变压器,额定变比1000:4;R为保护电阻,阻值20kΩ;C1和C2为电容分压器,分压比1000:1;C3为耦合电容,Z为检测阻抗,用于脉冲电流的测量;S1、S2、S3分别为特高频、超声波和脉冲电流信号。所用特高频传感器带宽可为340MHz~440MHz,中心频率可为390MHz;超声传感器可为D9241A谐振式传感器,采用差分输出的模式,频率带宽为20~60kHz,中心谐振频率30kHz。采集数据使用的示波器为高采样率示波器,采样率不低于5G,采样深度不低于1M。
为了对上述绝缘子缺陷识别方法各步骤进行详细说明,在如图2所示的实验平台进行绝缘子缺陷的局部放电试验,获取特高频和超声波信号。进行局部放电试验时,采集各缺陷的特高频和超声波时域波形信号,采样率可为10Gs/s,采样深度可为10k;采集特高频的放电幅值和相位信息,采样率可为50Ms/s,采样深度可为1M;采集的结果示例如图3、图4和图5所示。
计算特高频的时域波的上升时间tr、下降时间tf、峰值时间tp脉冲宽度td、持续时间tc,计算时先对波形幅值取平方,得到能量波形,然后将能量波形和高斯函数作卷积,即可得到包络线,根据包络线提取这些时间特征。计算超声波的功率谱密度的最大峰值Upsdm、峰值频率Ufm、峰个数Upn、功率谱均值Upsdμ、方差Upsdσ、中值频率Upsdzh和平均频率Ufμ,计算时先求信号的自相关函数,再对自相关函数作傅里叶变换即得到超声波信号的功率谱,根据功率谱得到的这些特征。计算特高频相位图谱的正负半周放电相位中心正负半周偏斜度SK +/-、陡峭度Ku +/-、正负半周互相关系数Cc和放电量因数Q等8个特征值。计算特高频相位图谱的灰度图像的0阶矩、2阶中心矩和3阶中心矩等特征。这些构成绝缘子缺陷的4种信息特征。
特高频时域波形各特征计算方式如下:
tr=t90% +-t10% +;
tf=t90% --t10% -;
tp=tm-t0;
td=t50% +-t50% -;
tc=t100%-t0;
上述公式中,tx%表示波形包络线到底峰值的x%的时刻,“+”标号表示包络线上升沿,“-”表示包络线下降沿,tm表示峰值时间,t0表示波形第一次超过0值的时刻。
超声波功率谱各特征计算方式如下:
Upsdzh为功率谱的中值频率,Ufμ为功率谱的平均频率,f为频率,P(f)为功率谱;再提取功率谱的最大幅值Upsdm,功率谱的最大幅值对应频率Ufm,功率谱的谱峰个数Upn,功率谱峰值10%以上部分的平均值Upsdμ,功率谱峰值的10%以上部分的方差Upsdσ。
特高频相位图谱的统计特征参数计算如下:
灰度图像的获取方式为:根据相位图谱计算灰度值mij=(1-nij/nmax)×255,灰度图像的各特征计算方式如下:
u00=m00;
上述公式中,nij表示第i行第j列网格的放电次数,nmax表示所有网格中放电次数最大值,uij表示图像的第i+j阶中心距,mij表示图像的i+j阶矩,其计算公式为:f(x,y)表示灰度图像的灰度函数,x横坐标,y是纵坐标;和分别表示灰度图像的质心坐标,计算公式如
计算构成绝缘子缺陷的4种信息每个特征的信息增益,具体步骤如下:
步骤3.1,计算采集数据自身的信息熵H(I),对于样本总数为M的特征I,样本类别有K类,每个类别的特征样本数量记为Xi,则该分类***的信息熵H(I):
步骤3.2,计算引入这个特征后***的信息熵,记特征I的取值区间为I1~I20,对于第i个区间Ii:样本数为Ki,三个类别具有的样本个数分别为K1i,K2i和K3i,则特征I的信息熵计算如所示:
步骤3.3,计算特征的信息增益G(I):
G(I)=H(S)-H(I|S)
计算完4种信息所有特征的信息增益,删除信息增益低于0.5的特征,剩下特征作为相应信息的有效特征。
采用栈式降噪自编码网络将4种信息有效特征映射到新的特征空间,具体步骤如下:
步骤4.1,以筛选的有效特征同时作为网络的输入和输出,设计栈式降噪自编码网络的结构:可采用5层SDAE网络结构,网络设置为m-N-1-N-m。其中m为输入层节点数,根据输入的信息特征维数确定;N为第一层隐藏层节点数,设置在2~10之间;第二层隐藏层节点设置为1,作为目标特征;
步骤4.2,训练子网络:先随机初始化子网络参数,各DAE子网络的参数之间相互独立,然后采用逐层贪婪训练方式训练每个DAE网络的参数,前一层网络训练按照上述DAE网络的方式训练好,然后将其参数固定,以隐藏层结果作为下一层待训练网络的输入,训练下一层网络,依次完成每层DAE子网络的训练;
步骤4.3,微调整个网络:将各DAE子网络按照前一层隐藏为下一层输入的结构依次连接,各层参数按预训练时对应的参数取值,然后以原始数据为输入,以网络最后一层的输出作为原始数据的重构,以整个网络的重构误差最小值为优化目标依次调整各层网络参数;
步骤4.4,提取目标特征,形成坐标:将步骤4.3中训练完成的网络的最底层隐藏层结果提取出来,作为目标特征,按照步骤4的方式重新计算目标特征的信息增益,然后目标特征作为一个坐标,信息增益值作为其坐标权重;所有信息提取完成之后得到4个目标特征,形成4维新的特征空间。
在新的特征空间中分类样本,实现缺陷的识别,具体步骤如下:
步骤5.1,计算样本点两两间的距离dij,记新坐标空间中点i的坐标为(xi,yi,…,ki),λ为对应坐标的权重,dij计算方式为:
步骤5.2,计算样本点的拉普拉斯中心性指标值ci,具体步骤如下:
计算图G的权值矩阵W(G):
计算加权图G的X(G):
计算完全加权图G的拉普拉斯矩阵为:
L(G)=X(G)-W(G),
计算图G的拉普拉斯能量为:EL(G)=∑ri 2,ri为矩阵L(G)的特征值;
则样本点的拉普拉斯中心性ci:
步骤5.3,计算样本点的最小距离指标δi:统计所有拉普拉斯中心性高于i的数据点,计算这些点与i之间的距离,并将最小的距离值作为点i的最小距离值δi;
步骤5.4,确定类簇中心:以各数据点的ci值和i值为横纵坐标构建决策图,决策图右上角的点即为类簇中心,如图6所示,右上角有三个点的ci值和i明显高于其他所有点,为样本的三个聚类中心,刚好对应GIS绝缘子三种缺陷。
步骤5.5,样本分类:根据类簇中心,将各数据点按照距离远近依次划分给最近的类簇中去,完成所有数据点的归类。
在示例性实施例中,还提供一种基于局部放电多信息融合的GIS绝缘子缺陷的识别***,包括:数据采集***,用于采集绝缘子局部放电的特高频和超声波时域波形信号,以及特高频信号的相位、幅值信息;处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行所述方法的全部或部分步骤。
在示例性实施例中,还提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述方法的全部或部分步骤。例如,所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
Claims (8)
1.一种基于局部放电多信息融合的GIS绝缘子缺陷识别方法,其特征在于,包括:
根据绝缘子局部放电的特高频波形信号计算特高频的时域波形特征,根据绝缘子局部放电的超声波波形信号计算超声波的功率谱特征,根据绝缘子局部放电的特高频信号的幅值和相位构建放电信号的相位图谱,计算相位图谱的正负半周放电相位中心正负半周偏斜度SK +/-、陡峭度Ku +/-、正负半周互相关系数Cc和放电量因数Q,及灰度图像的0阶矩、2阶中心矩和3阶中心矩,进而得到构成绝缘子缺陷的4种信息特征;
计算上述提取的4种信息各特征的信息增益,去除信息增益低于阈值的特征,剩下的作为各信息的有效特征;
基于栈式降噪自编码将各信息的有效特征压缩到一维,重新计算压缩后一维向量的信息增益,以压缩后的一维特征作为一个坐标,坐标权重取信息增益值,所有信息压缩后的一维特征共同构建一个新的4维空间;
以构建的4维空间为待分类样本,基于拉普拉斯中心性的密度聚类算法,将样本一一聚类,根据样本中心的缺陷类型确定其他所有样本的缺陷类型。
2.根据权利要求1所述的GIS绝缘子缺陷识别方法,其特征在于,特高频的时域波形特征包括波形的上升时间tr、下降时间tf、峰值时间tp脉冲宽度td、持续时间tc。
3.根据权利要求1所述的GIS绝缘子缺陷的识别方法,其特征在于,超声波的功率谱特征包括最大峰值Upsdm、峰值频率Ufm、峰个数Upn、功率谱均值Upsdμ、方差Upsdσ、中值频率Upsdzh和平均频率Ufμ。
5.根据权利要求1所述的GIS绝缘子缺陷识别方法,其特征在于,将构成绝缘子缺陷的4种信息有效特征映射到新的4维空间的具体方法如下:
以筛选的有效特征同时作为网络的输入和输出,构建栈式降噪自编码网络的结构;
训练子网络:先随机初始化子网络参数,各DAE子网络的参数之间相互独立,然后采用逐层贪婪训练方式训练每个DAE网络的参数,前一层网络训练好后将其参数固定,以隐藏层结果作为下一层待训练网络的输入,训练下一层网络,依次完成每层DAE子网络的训练;
微调整个网络:将各DAE子网络按照前一层隐藏为下一层输入的结构依次连接,各层参数按预训练时对应的参数取值,然后以原始数据为输入,以网络最后一层的输出作为原始数据的重构,以整个网络的重构误差最小值为优化目标依次调整各层网络参数;
提取目标特征,形成坐标:训练完成的网络的最底层隐藏层结果提取出来,作为目标特征,重新计算目标特征的信息增益,然后目标特征作为一个坐标,信息增益值作为其坐标权重;所有信息提取完成之后得到4种目标特征,形成4维新的特征空间。
6.根据权利要求5所述的GIS绝缘子缺陷识别方法,其特征在于,基于拉普拉斯中心性的密度聚类算法分类新特征空间样本的具体过程如下:
计算样本点两两间的距离dij,记新坐标空间中点i的坐标为(xi,yi,…,ki),λ为对应坐标的权重,dij计算方式为:
计算样本点的拉普拉斯中心性指标值ci,具体步骤如下:
计算图G的权值矩阵W(G):
计算加权图G的X(G):
计算完全加权图G的拉普拉斯矩阵为:
L(G)=X(G)-W(G)
计算图G的拉普拉斯能量:EL(G)=∑ri 2,ri为矩阵L(G)的特征值;
则样本点的拉普拉斯中心性ci:
计算样本点的最小距离指标δi:统计所有拉普拉斯中心性高于i的数据点,计算这些点与i之间的距离,并将最小的距离值作为点i的最小距离值δi;
确定类簇中心:以各数据点的ci值和i值为横纵坐标构建决策图,决策图右上角的点即为类簇中心;
样本分类:根据类簇中心,将各数据点按照距离远近依次划分给最近的类簇中去,完成所有数据点的归类。
7.一种基于局部放电多信息融合的GIS绝缘子缺陷的识别***,其特征在于,包括:
数据采集***,用于采集绝缘子局部放电的特高频和超声波时域波形信号,以及特高频信号的相位、幅值信息;
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-6任一项所述的方法的步骤。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885616.7A CN112014700B (zh) | 2020-08-28 | 2020-08-28 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885616.7A CN112014700B (zh) | 2020-08-28 | 2020-08-28 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112014700A true CN112014700A (zh) | 2020-12-01 |
CN112014700B CN112014700B (zh) | 2022-04-01 |
Family
ID=73502879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885616.7A Active CN112014700B (zh) | 2020-08-28 | 2020-08-28 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014700B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633333A (zh) * | 2020-12-11 | 2021-04-09 | 广州致新电力科技有限公司 | 一种局部放电缺陷识别的方法 |
CN112649708A (zh) * | 2021-01-06 | 2021-04-13 | 国网重庆市电力公司电力科学研究院 | 一种电缆接头局放非接触式在线检测装置及其检测方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113640629A (zh) * | 2021-07-26 | 2021-11-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种gis局部放电状态评估方法、记录媒体及*** |
CN114089050A (zh) * | 2021-11-15 | 2022-02-25 | 清华大学 | 一种gis绝缘子表面电荷畸变电场在线测量方法及装置 |
CN114137366A (zh) * | 2021-11-01 | 2022-03-04 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种考虑快速发展型故障的局部放电特征信息提取***及方法 |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN115480134A (zh) * | 2022-09-02 | 2022-12-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于设备局部放电数据图的故障识别方法及*** |
CN116736051A (zh) * | 2023-05-22 | 2023-09-12 | 内蒙古工业大学 | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 |
CN117630612A (zh) * | 2024-01-25 | 2024-03-01 | 国网辽宁省电力有限公司电力科学研究院 | 一种混合气体绝缘变电站设备的放电检测装置及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101303082B1 (ko) * | 2012-03-15 | 2013-09-03 | 오피전력기술 주식회사 | 휴대형 부분방전 검출 장치 |
CN103529365A (zh) * | 2013-09-20 | 2014-01-22 | 华北电力大学(保定) | 一种电气设备油中局部放电超声直达波识别方法 |
CN105223475A (zh) * | 2015-08-25 | 2016-01-06 | 国家电网公司 | 基于高斯参数拟合的局部放电谱图特征模式识别算法 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测***及方法 |
CN107907778A (zh) * | 2017-10-31 | 2018-04-13 | 华北电力大学(保定) | 一种基于多特征参量的变压器综合故障诊断方法 |
CN108896891A (zh) * | 2018-08-26 | 2018-11-27 | 国网天津市电力公司 | 一种基于特高频法的gis多源局部放电分离识别方法 |
CN108919070A (zh) * | 2018-06-07 | 2018-11-30 | 广西电网有限责任公司电力科学研究院 | 一种多源信息融合的开关柜局部放电检测*** |
CN108919069A (zh) * | 2018-06-07 | 2018-11-30 | 广西电网有限责任公司电力科学研究院 | 一种多源信息融合的开关柜局部放电检测方法 |
-
2020
- 2020-08-28 CN CN202010885616.7A patent/CN112014700B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101303082B1 (ko) * | 2012-03-15 | 2013-09-03 | 오피전력기술 주식회사 | 휴대형 부분방전 검출 장치 |
CN103529365A (zh) * | 2013-09-20 | 2014-01-22 | 华北电力大学(保定) | 一种电气设备油中局部放电超声直达波识别方法 |
CN105223475A (zh) * | 2015-08-25 | 2016-01-06 | 国家电网公司 | 基于高斯参数拟合的局部放电谱图特征模式识别算法 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测***及方法 |
CN107907778A (zh) * | 2017-10-31 | 2018-04-13 | 华北电力大学(保定) | 一种基于多特征参量的变压器综合故障诊断方法 |
CN108919070A (zh) * | 2018-06-07 | 2018-11-30 | 广西电网有限责任公司电力科学研究院 | 一种多源信息融合的开关柜局部放电检测*** |
CN108919069A (zh) * | 2018-06-07 | 2018-11-30 | 广西电网有限责任公司电力科学研究院 | 一种多源信息融合的开关柜局部放电检测方法 |
CN108896891A (zh) * | 2018-08-26 | 2018-11-27 | 国网天津市电力公司 | 一种基于特高频法的gis多源局部放电分离识别方法 |
Non-Patent Citations (1)
Title |
---|
黄亮 等: ""基于多特征信息融合技术的局部放电模式识别研究"", 《高电压技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633333A (zh) * | 2020-12-11 | 2021-04-09 | 广州致新电力科技有限公司 | 一种局部放电缺陷识别的方法 |
CN112649708B (zh) * | 2021-01-06 | 2023-03-10 | 国网重庆市电力公司电力科学研究院 | 一种电缆接头局放非接触式在线检测装置及其检测方法 |
CN112649708A (zh) * | 2021-01-06 | 2021-04-13 | 国网重庆市电力公司电力科学研究院 | 一种电缆接头局放非接触式在线检测装置及其检测方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113640629A (zh) * | 2021-07-26 | 2021-11-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种gis局部放电状态评估方法、记录媒体及*** |
CN114137366A (zh) * | 2021-11-01 | 2022-03-04 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种考虑快速发展型故障的局部放电特征信息提取***及方法 |
CN114089050A (zh) * | 2021-11-15 | 2022-02-25 | 清华大学 | 一种gis绝缘子表面电荷畸变电场在线测量方法及装置 |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN114783011B (zh) * | 2022-06-22 | 2022-09-06 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN115480134A (zh) * | 2022-09-02 | 2022-12-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于设备局部放电数据图的故障识别方法及*** |
CN116736051A (zh) * | 2023-05-22 | 2023-09-12 | 内蒙古工业大学 | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 |
CN117630612A (zh) * | 2024-01-25 | 2024-03-01 | 国网辽宁省电力有限公司电力科学研究院 | 一种混合气体绝缘变电站设备的放电检测装置及方法 |
CN117630612B (zh) * | 2024-01-25 | 2024-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种混合气体绝缘变电站设备的放电检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112014700B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及*** | |
Contin et al. | Digital detection and fuzzy classification of partial discharge signals | |
Pinpart et al. | Differentiating between partial discharge sources using envelope comparison of ultra-high-frequency signals | |
CN109116193B (zh) | 基于局放信号综合熵值的电气设备危险性放电判别方法 | |
CN102539527B (zh) | 一种基于超声波检测的gis局部放电模式识别方法 | |
CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN109596955B (zh) | 局部放电状态确定方法及装置 | |
CN105548832A (zh) | 高压电力电缆故障识别方法 | |
Zhu et al. | Partial discharge signals separation using cumulative energy function and mathematical morphology gradient | |
CN110728257B (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
CN102707203A (zh) | 变压器局部放电模式识别的测量方法 | |
CN107728014B (zh) | 基于多传感器信号特征识别设备绝缘缺陷的方法及*** | |
CN112180221B (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
CN105785236B (zh) | 一种gis局放检测外部干扰信号排除方法 | |
Zhao et al. | Interpretation of transformer winding deformation fault by the spectral clustering of FRA signature | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
Janani et al. | Statistical feature extraction and system identification algorithms for partial discharge signal classification using laguerre polynomial expansion | |
Firuzi et al. | A hybrid transformer PD monitoring method using simultaneous IEC60270 and RF data | |
CN113406441B (zh) | 基于聚类和迭代算法的柔性直流电网故障测距方法 | |
CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
Guo et al. | Partial discharge characteristics and classification in oil-paper insulation under DC voltage | |
CN113052249B (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
Tian et al. | Application of acoustic emission techniques and artificial neural networks to partial discharge classification | |
Jin et al. | Classification of partial discharge events in gas-insulated substations using wavelet packet transform and neural network approaches | |
CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |